MétaCan
Menu
Retour à la cohorte
Enregistrement W3092305301 · doi:10.1200/jco.2020.38.29_suppl.186

Use of patient-reported outcomes (PROs) to predict treatment outcomes in patients with advanced cancer.

2020· article· en· W3092305301 sur OpenAlexaboutno aff
Aparna R. Parikh, Emily E. Van Seventer, Madeleine G. Fish, Kathryn Fosbenner, Katie Kanter, Amirkasra Mojtahed, Jill N. Allen, Lawrence S. Blaszkowsky, Jeffrey W. Clark, Jon S. Du Bois, Joseph W. Franses, Bruce J. Giantonio, Lipika Goyal, Samuel J. Klempner, Eric Roeland, David P. Ryan, Colin D. Weekes, Nora Horick, Ryan B. Corcoran, Ryan David Nipp

Notice bibliographique

RevueJournal of Clinical Oncology · 2020
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueEconomic and Financial Impacts of Cancer
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésMedicineQuality of life (healthcare)CancerInternal medicinePerformance statusDiseasePhysical therapy

Résumé

récupéré en direct d'OpenAlex

186 Background: PROs assessing quality of life (QOL) and physical symptoms often correlate with clinical outcomes in patients (pts) with cancer. Yet, data are lacking about the use of PROs to predict treatment response. We evaluated associations of baseline PROs with treatment response, healthcare use, and survival among pts with advanced gastrointestinal cancer. Methods: We prospectively enrolled pts with metastatic gastrointestinal cancer prior to initiating chemotherapy at Massachusetts General Hospital. At baseline (start of treatment), pts reported their QOL (Functional Assessment of Cancer Therapy General [FACT-G], subscales assess QOL across 4 domains: functional, physical, emotional, social well-being) and symptom burden (Edmonton Symptom Assessment System [ESAS]). Higher scores on FACT-G indicate better QOL, while higher scores on ESAS represent a greater symptom burden. We used regression models to examine associations of baseline PRO scores with treatment response (clinical benefit [CB] or progressive disease [PD] at the time of first scan based on clinical documentation), healthcare use (unplanned hospital admissions), and survival. Results: From 5/2019-3/2020, we enrolled 112 of 131 (85.5% enrollment) consecutive pts (median age = 62.8, 61.6% male, 45.5% pancreatobiliary cancer). For treatment response, 64.3% had CB and 35.7% had PD. Higher ESAS-physical (B = 1.04, p = .027) and lower FACT-G functional (B = 0.92, p = .038) scores at baseline were significant predictors of PD. On the specific ESAS items, pts who experienced PD were more likely to report moderate/severe poor well-being (57.9% vs 29.7%; p = .001), pain (44.7% vs 25.0%; p < .050), drowsiness (42.1% vs 20.3%; p = .024), and diarrhea (23.7% vs 4.7%; p = .008) at baseline. Lower FACT-G total (HR = 0.96, p = .003), FACT-G physical (HR = 0.89, p < .001), FACT-G functional (HR = 0.87, p < .001), and higher ESAS-physical (HR = 1.03, p = .028) scores at baseline were significantly associated with greater risk of hospital admission. Lower FACT-G total (HR = 0.96, p = .009), FACT-G emotional (HR = 0.87, p = .014), as well as higher ESAS-total (HR = 1.03, p = .018) and ESAS-physical (HR = 1.03, p = .040) scores at baseline were significantly associated with greater risk of death. Conclusions: We found that baseline PROs predict treatment response in pts with advanced cancer, namely physical symptoms and functional QOL, in addition to healthcare use and survival outcomes. These findings further support the use of PROs to predict important clinical outcomes, including the novel finding of treatment response.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,008
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,017

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,008
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,141
Tête enseignante GPT0,383
Écart entre enseignants0,242 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Clinical OncologyMême sujetEconomic and Financial Impacts of CancerTravaux en français237 207